Week 6 Improving Decision Making an

Week 6 Improving Decision Making and
Managing Knowledge

10.3 Intelligent Systems for Decision Support

10.4 Systems for Managing Knowledge

10.3 Intelligent Systems for Decision Support
•
A number of intelligent techniques for enhancing decision making are based on Artificial intelligence (AI) technology.

• Artificial intelligence (AI) technology is consists of computer-based systems (both hardware and software) that attempt to emulate human behavior and thought patterns.

Artificial Intelligence (AI) Technology
• 1. Expert systems (ระบบผู้เชี่ยญชาญ)
• 2. Case-based reasoning (การให้เหตุผลด้วยฐานกรณี )
• 3. Fuzzy logic (ตรรกศาสตร์คลุมเครือ)
• 4. Neural networks (โครงข่ายประสาทเทียม)
• 5 . Genetic algorithms (อลักอลิทึมพันธุกรรม)
• 6 . Intelligent agents (ตัวแทนอัจฉริยะ)

1.EXPERT SYSTEMS
• What if employees in your firm had to make decisions that required some special knowledge, such as how to formulate a fast-drying sealing compound or how to diagnose and repair a malfunctioning diesel engine, but all the people with that expertise had left the firm?

• Expert systems are one type of decision-making aid that could help you out. An expert system captures human expertise in a limited domain of knowledge as a set of rules in a software system that can be used by others in the organization.

• These systems typically perform a limited number of tasks that can be performed by professionals in a few minutes or hours, such as diagnosing a malfunctioning machine or determining whether to grant credit for a loan.

• They are useful in decision-making situations where expertise is expensive or in short supply.
How Expert Systems Work
• Human knowledge must be modeled or represented in a form that a computer can process.
• Expert systems model human knowledge as a set of rules that collectively are called the knowledge base.
• Expert systems can have from 200 to as many as 10,000 of these rules, depending on the complexity of the decision-making problem.
• These rules are much more interconnected and nested than in a traditional software program (see Figure 10-8).
• The strategy used to search through the collection of rules and formulate conclusions is called the inference engine. The inference engine works by searching through the rules and “firing” those rules that are triggered by facts gathered and entered by the user.
• Expert systems provide businesses with an array of benefits, including improved decisions, reduced errors, reduced costs, reduced training time, and improved quality and service.
Figure 10-8 Rules in an Expert System
An expert system contains a set of rules to be followed when used. The rules are interconnected; the number of outcomes is known in advance and is limited; there are multiple paths to the same outcome; and the system can consider multiple rules at a single time. The rules illustrated are for a simple creditgranting expert system.

2.Case-based reasoning (CBR)
• Expert systems primarily capture the knowledge of individual experts, but organizations also have collective knowledge and expertise that they have built up over the years. This organizational knowledge can be captured and stored using case-based reasoning.
• In case-based reasoning(CBR), knowledge and past experiences of human specialists are represented as cases and stored in a database for later retrieval when the user encounters a new case with similar parameters. The system searches for stored cases with problem characteristics similar to the new one, finds the closest fit, and applies the solutions of the old case to the new case.
• Successful solutions are tagged to the new case and both are stored together with the other cases in the knowledge base. Unsuccessful solutions also are appended to the case database along with explanations as to why the solutions did not work (see Figure 10-9).
• You’ll find case-based reasoning in diagnostic systems in medicine or customer support where users can retrieve past cases whose characteristics are similar to the new case. The system suggests a solution or diagnosis based on the best-matching retrieved case.
Figure 10-9
How Case-Based Reasoning Works Case-based reasoning represents knowledge as a database of past cases and their solutions.
The system uses a six-step process to generate solutions to new problems encountered by the user.

3. Fuzzy logic

• Fuzzy logic is a rule-based technology that represents such imprecision by creating rules that use approximate or subjective values. It describes a particular phenomenon or process linguistically and then represents that description in a small number of flexible rules.

• Let’s look at the way fuzzy logic would represent various temperatures in a computer application to control room temperature automatically. The terms (known as membership functions) are imprecisely defined so that, for example, in Figure 10-10, cool is between 45 degrees and 70 degrees, although the temperature is most clearly cool between about 60 degrees and 67 degrees. Note that cool is overlapped by cold or norm. To control the room environment using this logic, the programmer would develop similarly imprecise definitions for humidity and other factors, such as outdoor wind and temperature. The rules might include one that says, “If the temperature is cool or cold and the humidity is low while the outdoor wind is high and the outdoor temperature is low, raise the heat and humidity in the room.” The computer would combine the membership function readings in a weighted manner and, using all the rules, raise and lower the temperature and humidity.

• Fuzzy logic provides solutions to problems requiring expertise that is difficult to represent in the form of crisp IF-THEN rules.
• In Japan, Sendai’s subway system uses fuzzy logic controls to accelerate so smoothly that standing passengers need not hold on.
• Fuzzy logic allows incremental changes in inputs to produce smooth changes in outputs instead of discontinuous ones, making it useful for consumer electronics and engineering applications
The membership functions for the input called temperature are in the logic of the thermostat to control the room temperature. Membership
functions help
translate linguistic expressions, such as warm, into numbers that the computer can manipulate
Figure 10-10 Fuzzy Logic for Temperature control

4.Neural networks
Neural networks are used for solving complex, poorly understood problems for which large amounts of data have been collected. They find patterns and relationships in massive amounts of data that would be too complicated and difficult for a human being to analyze.

Neural networks discover this knowledge by using hardware and software that parallel the processing patterns of the biological or human brain. Neural networks “learn” patterns from large quantities of data by sifting through data, searching for relationships, building models, and correcting over and over again the model’s own mistakes.
Figure 10-11 How a Neural Network Works

A neural network uses rules it “learns” from patterns in data to construct a hidden layer of logic.
The hidden layer then processes inputs, classifying them based on the experience of the model.
In this example, the neural network has been trained to distinguish between valid and fraudulent credit card purchases.
5.Genetic algorithms
•
Genetic algorithms are useful for finding the optimal solution for a specific problem by examining a very large number of alternative solutions for that problem. They are based on techniques inspired by evolutionary biology, such as inheritance, mutation, selection, and crossover (recombination).
•
A genetic algorithm works by representing a solution as a string of 0s and 1s. The genetic algorithm searches a population of randomly generated strings of binary digits to identify the right string representing the best possible solution for the problem. As solutions alter and combine, the worst ones are discarded and the better ones survive to go on to produce even better solutions.
• Genetic algorithms are used to solve complex problems that are very dynamic and complex, involving hundreds or thousands of variables or formulas. The problem must be one where the range of possible solutions can be represented genetically and criteria can be established for evaluating fitness.
• Genetic algorithms expedite the solution because they can evaluate many solution alternatives quickly to find the best one.
Figure 10-12 The Components of a Genetic Algorithm
This example illustrates an initial population of “chromosomes,” each representing a different solution.
The genetic algorithm uses an iterative process to refine the initial solutions so that the better ones, those with the higher fitness, are more likely to emerge as the best solution.
6. Intelligent agents
•
Intelligent agent technology helps businesses and decision makers navigate through large amounts of data to locate and act on information that is considered important.
•
Intelligent agents are software programs that work in the background without direct human intervention to carry out specific, repetitive, and predictable tasks for an individual user, business process, or software application.
• The agent uses a limited built-in or learned knowledge base to accomplish tasks or make decisions on the user’s behalf, such as deleting junk e-mail, scheduling appointments, or finding the cheapest airfare to California.
• There are many intelligent agent applications today in operating systems, application software, e-mail systems, mobile computing software, and network tools. Of special interest to busin

Week 6 Improving Decision Making and 
Managing Knowledge 
 
10.3 Intelligent Systems for Decision Support 
 
10.4 Systems for Managing Knowledge 
 
10.3 Intelligent Systems for Decision Support 
•  
A number of intelligent techniques for enhancing decision making are based on Artificial intelligence (AI) technology. 
 
• Artificial intelligence (AI) technology is consists of computer-based systems (both hardware and software) that attempt to emulate human behavior and thought patterns. 
 
 
Artificial Intelligence (AI) Technology 
• 1. Expert systems (ระบบผู้เชี่ยญชาญ) 
• 2. Case-based reasoning (การให้เหตุผลด้วยฐานกรณี ) 
• 3. Fuzzy logic (ตรรกศาสตร์คลุมเครือ) 
• 4. Neural networks (โครงข่ายประสาทเทียม) 
• 5 . Genetic algorithms (อลักอลิทึมพันธุกรรม) 
• 6 . Intelligent agents (ตัวแทนอัจฉริยะ) 
 
1.EXPERT SYSTEMS 
• What if employees in your firm had to make decisions that required some special knowledge, such as how to formulate a fast-drying sealing compound or how to diagnose and repair a malfunctioning diesel engine, but all the people with that expertise had left the firm? 
 
• Expert systems are one type of decision-making aid that could help you out. An expert system captures human expertise in a limited domain of knowledge as a set of rules in a software system that can be used by others in the organization. 
 
• These systems typically perform a limited number of tasks that can be performed by professionals in a few minutes or hours, such as diagnosing a malfunctioning machine or determining whether to grant credit for a loan. 
 
• They are useful in decision-making situations where expertise is expensive or in short supply. 
How Expert Systems Work 
 • Human knowledge must be modeled or represented in a form that a computer can process. 
• Expert systems model human knowledge as a set of rules that collectively are called the knowledge base. 
•  Expert systems can have from 200 to as many as 10,000 of these rules, depending on the complexity of the decision-making problem. 
• These rules are much more interconnected and nested than in a traditional software program (see Figure 10-8). 
• The strategy used to search through the collection of rules and formulate conclusions is called the inference engine. The inference engine works by searching through the rules and “firing” those rules that are triggered by facts gathered and entered by the user. 
• Expert systems provide businesses with an array of benefits, including improved decisions, reduced errors, reduced costs, reduced training time, and improved quality and service. 
Figure 10-8 Rules in an Expert System 
An expert system contains a set of rules to be followed when used. The rules are interconnected; the number of outcomes is known in advance and is limited; there are multiple paths to the same outcome; and the system can consider multiple rules at a single time. The rules illustrated are for a simple creditgranting expert system. 
 
2.Case-based reasoning (CBR) 
• Expert systems primarily capture the knowledge of individual experts, but organizations also have collective knowledge and expertise that they have built up over the years. This organizational knowledge can be captured and stored using case-based reasoning. 
• In case-based reasoning(CBR), knowledge and past experiences of human specialists are represented as cases and stored in a database for later retrieval when the user encounters a new case with similar parameters. The system searches for stored cases with problem characteristics similar to the new one, finds the closest fit, and applies the solutions of the old case to the new case. 
• Successful solutions are tagged to the new case and both are stored together with the other cases in the knowledge base. Unsuccessful solutions also are appended to the case database along with explanations as to why the solutions did not work (see Figure 10-9). 
• You’ll find case-based reasoning in diagnostic systems in medicine or customer support where users can retrieve past cases whose characteristics are similar to the new case. The system suggests a solution or diagnosis based on the best-matching retrieved case. 
Figure 10-9 
How Case-Based Reasoning Works Case-based reasoning represents knowledge as a database of past cases and their solutions. 
The system uses a six-step process to generate solutions to new problems encountered by the user. 
 
3. Fuzzy logic 
 
• Fuzzy logic is a rule-based technology that represents such imprecision by creating rules that use approximate or subjective values. It describes a particular phenomenon or process linguistically and then represents that description in a small number of flexible rules. 
 
• Let’s look at the way fuzzy logic would represent various temperatures in a computer application to control room temperature automatically. The terms (known as membership functions) are imprecisely defined so that, for example, in Figure 10-10, cool is between 45 degrees and 70 degrees, although the temperature is most clearly cool between about 60 degrees and 67 degrees. Note that cool is overlapped by cold or norm. To control the room environment using this logic, the programmer would develop similarly imprecise definitions for humidity and other factors, such as outdoor wind and temperature. The rules might include one that says, “If the temperature is cool or cold and the humidity is low while the outdoor wind is high and the outdoor temperature is low, raise the heat and humidity in the room.” The computer would combine the membership function readings in a weighted manner and, using all the rules, raise and lower the temperature and humidity. 
 
• Fuzzy logic provides solutions to problems requiring expertise that is difficult to represent in the form of crisp IF-THEN rules. 
• In Japan, Sendai’s subway system uses fuzzy logic controls to accelerate so smoothly that standing passengers need not hold on. 
• Fuzzy logic allows incremental changes in inputs to produce smooth changes in outputs instead of discontinuous ones, making it useful for consumer electronics and engineering applications 
The membership functions for the input called temperature are in the logic of the thermostat to control the room temperature. Membership 
functions help 
translate linguistic expressions, such as warm, into numbers that the computer can manipulate 
Figure 10-10 Fuzzy Logic for Temperature control 
 
4.Neural networks 
Neural networks are used for solving complex, poorly understood problems for which large amounts of data have been collected. They find patterns and relationships in massive amounts of data that would be too complicated and difficult for a human being to analyze. 
 
Neural networks discover this knowledge by using hardware and software that parallel the processing patterns of the biological or human brain. Neural networks “learn” patterns from large quantities of data by sifting through data, searching for relationships, building models, and correcting over and over again the model’s own mistakes. 
Figure 10-11 How a Neural Network Works 
 
A neural network uses rules it “learns” from patterns in data to construct a hidden layer of logic. 
The hidden layer then processes inputs, classifying them based on the experience of the model. 
In this example, the neural network has been trained to distinguish between valid and fraudulent credit card purchases. 
5.Genetic algorithms 
•
  Genetic algorithms are useful for finding the optimal solution for a specific problem by examining a very large number of alternative solutions for that problem. They are based on techniques inspired by evolutionary biology, such as inheritance, mutation, selection, and crossover (recombination). 
•
  A genetic algorithm works by representing a solution as a string of 0s and 1s. The genetic algorithm searches a population of randomly generated strings of binary digits to identify the right string representing the best possible solution for the problem. As solutions alter and combine, the worst ones are discarded and the better ones survive to go on to produce even better solutions. 
• Genetic algorithms are used to solve complex problems that are very dynamic and complex, involving hundreds or thousands of variables or formulas. The problem must be one where the range of possible solutions can be represented genetically and criteria can be established for evaluating fitness. 
• Genetic algorithms expedite the solution because they can evaluate many solution alternatives quickly to find the best one. 
Figure 10-12 The Components of a Genetic Algorithm 
This example illustrates an initial population of “chromosomes,” each representing a different solution. 
The genetic algorithm uses an iterative process to refine the initial solutions so that the better ones, those with the higher fitness, are more likely to emerge as the best solution. 
6. Intelligent agents 
•
  Intelligent agent technology helps businesses and decision makers navigate through large amounts of data to locate and act on information that is considered important. 
•
   Intelligent agents are software programs that work in the background without direct human intervention to carry out specific, repetitive, and predictable tasks for an individual user, business process, or software application. 
•  The agent uses a limited built-in or learned knowledge base to accomplish tasks or make decisions on the user’s behalf, such as deleting junk e-mail, scheduling appointments, or finding the cheapest airfare to California. 
 • There are many intelligent agent applications today in operating systems, application software, e-mail systems, mobile computing software, and network tools. Of special interest to busin

0/5000

จาก: -

เป็น: -

ผลลัพธ์ (ไทย) 1: [สำเนา]

คัดลอก!

Week 6 Improving Decision Making and Managing Knowledge 10.3 Intelligent Systems for Decision Support 10.4 Systems for Managing Knowledge 10.3 Intelligent Systems for Decision Support • A number of intelligent techniques for enhancing decision making are based on Artificial intelligence (AI) technology. • Artificial intelligence (AI) technology is consists of computer-based systems (both hardware and software) that attempt to emulate human behavior and thought patterns. Artificial Intelligence (AI) Technology • 1. Expert systems (ระบบผู้เชี่ยญชาญ) • 2. Case-based reasoning (การให้เหตุผลด้วยฐานกรณี ) • 3. Fuzzy logic (ตรรกศาสตร์คลุมเครือ) • 4. Neural networks (โครงข่ายประสาทเทียม) • 5 . Genetic algorithms (อลักอลิทึมพันธุกรรม) • 6 . Intelligent agents (ตัวแทนอัจฉริยะ) 1.EXPERT SYSTEMS • What if employees in your firm had to make decisions that required some special knowledge, such as how to formulate a fast-drying sealing compound or how to diagnose and repair a malfunctioning diesel engine, but all the people with that expertise had left the firm? • Expert systems are one type of decision-making aid that could help you out. An expert system captures human expertise in a limited domain of knowledge as a set of rules in a software system that can be used by others in the organization. • These systems typically perform a limited number of tasks that can be performed by professionals in a few minutes or hours, such as diagnosing a malfunctioning machine or determining whether to grant credit for a loan. • They are useful in decision-making situations where expertise is expensive or in short supply. How Expert Systems Work • Human knowledge must be modeled or represented in a form that a computer can process. • Expert systems model human knowledge as a set of rules that collectively are called the knowledge base. • Expert systems can have from 200 to as many as 10,000 of these rules, depending on the complexity of the decision-making problem. • These rules are much more interconnected and nested than in a traditional software program (see Figure 10-8). • The strategy used to search through the collection of rules and formulate conclusions is called the inference engine. The inference engine works by searching through the rules and “firing” those rules that are triggered by facts gathered and entered by the user. • Expert systems provide businesses with an array of benefits, including improved decisions, reduced errors, reduced costs, reduced training time, and improved quality and service. Figure 10-8 Rules in an Expert System An expert system contains a set of rules to be followed when used. The rules are interconnected; the number of outcomes is known in advance and is limited; there are multiple paths to the same outcome; and the system can consider multiple rules at a single time. The rules illustrated are for a simple creditgranting expert system. 2.Case-based reasoning (CBR) • Expert systems primarily capture the knowledge of individual experts, but organizations also have collective knowledge and expertise that they have built up over the years. This organizational knowledge can be captured and stored using case-based reasoning. • In case-based reasoning(CBR), knowledge and past experiences of human specialists are represented as cases and stored in a database for later retrieval when the user encounters a new case with similar parameters. The system searches for stored cases with problem characteristics similar to the new one, finds the closest fit, and applies the solutions of the old case to the new case. • Successful solutions are tagged to the new case and both are stored together with the other cases in the knowledge base. Unsuccessful solutions also are appended to the case database along with explanations as to why the solutions did not work (see Figure 10-9). • You’ll find case-based reasoning in diagnostic systems in medicine or customer support where users can retrieve past cases whose characteristics are similar to the new case. The system suggests a solution or diagnosis based on the best-matching retrieved case. Figure 10-9 How Case-Based Reasoning Works Case-based reasoning represents knowledge as a database of past cases and their solutions. The system uses a six-step process to generate solutions to new problems encountered by the user. 3. Fuzzy logic • Fuzzy logic is a rule-based technology that represents such imprecision by creating rules that use approximate or subjective values. It describes a particular phenomenon or process linguistically and then represents that description in a small number of flexible rules. • Let’s look at the way fuzzy logic would represent various temperatures in a computer application to control room temperature automatically. The terms (known as membership functions) are imprecisely defined so that, for example, in Figure 10-10, cool is between 45 degrees and 70 degrees, although the temperature is most clearly cool between about 60 degrees and 67 degrees. Note that cool is overlapped by cold or norm. To control the room environment using this logic, the programmer would develop similarly imprecise definitions for humidity and other factors, such as outdoor wind and temperature. The rules might include one that says, “If the temperature is cool or cold and the humidity is low while the outdoor wind is high and the outdoor temperature is low, raise the heat and humidity in the room.” The computer would combine the membership function readings in a weighted manner and, using all the rules, raise and lower the temperature and humidity. • Fuzzy logic provides solutions to problems requiring expertise that is difficult to represent in the form of crisp IF-THEN rules. • In Japan, Sendai’s subway system uses fuzzy logic controls to accelerate so smoothly that standing passengers need not hold on. • Fuzzy logic allows incremental changes in inputs to produce smooth changes in outputs instead of discontinuous ones, making it useful for consumer electronics and engineering applications The membership functions for the input called temperature are in the logic of the thermostat to control the room temperature. Membership functions help translate linguistic expressions, such as warm, into numbers that the computer can manipulate Figure 10-10 Fuzzy Logic for Temperature control 4.Neural networks Neural networks are used for solving complex, poorly understood problems for which large amounts of data have been collected. They find patterns and relationships in massive amounts of data that would be too complicated and difficult for a human being to analyze. Neural networks discover this knowledge by using hardware and software that parallel the processing patterns of the biological or human brain. Neural networks “learn” patterns from large quantities of data by sifting through data, searching for relationships, building models, and correcting over and over again the model’s own mistakes. Figure 10-11 How a Neural Network Works
A neural network uses rules it “learns” from patterns in data to construct a hidden layer of logic.
The hidden layer then processes inputs, classifying them based on the experience of the model.
In this example, the neural network has been trained to distinguish between valid and fraudulent credit card purchases.
5.Genetic algorithms
•
Genetic algorithms are useful for finding the optimal solution for a specific problem by examining a very large number of alternative solutions for that problem. They are based on techniques inspired by evolutionary biology, such as inheritance, mutation, selection, and crossover (recombination).
•
A genetic algorithm works by representing a solution as a string of 0s and 1s. The genetic algorithm searches a population of randomly generated strings of binary digits to identify the right string representing the best possible solution for the problem. As solutions alter and combine, the worst ones are discarded and the better ones survive to go on to produce even better solutions.
• Genetic algorithms are used to solve complex problems that are very dynamic and complex, involving hundreds or thousands of variables or formulas. The problem must be one where the range of possible solutions can be represented genetically and criteria can be established for evaluating fitness.
• Genetic algorithms expedite the solution because they can evaluate many solution alternatives quickly to find the best one.
Figure 10-12 The Components of a Genetic Algorithm
This example illustrates an initial population of “chromosomes,” each representing a different solution.
The genetic algorithm uses an iterative process to refine the initial solutions so that the better ones, those with the higher fitness, are more likely to emerge as the best solution.
6. Intelligent agents
•
Intelligent agent technology helps businesses and decision makers navigate through large amounts of data to locate and act on information that is considered important.
•
Intelligent agents are software programs that work in the background without direct human intervention to carry out specific, repetitive, and predictable tasks for an individual user, business process, or software application.
• The agent uses a limited built-in or learned knowledge base to accomplish tasks or make decisions on the user’s behalf, such as deleting junk e-mail, scheduling appointments, or finding the cheapest airfare to California.
• There are many intelligent agent applications today in operating systems, application software, e-mail systems, mobile computing software, and network tools. Of special interest to busin

การแปล กรุณารอสักครู่..

ผลลัพธ์ (ไทย) 2:[สำเนา]

คัดลอก!

สัปดาห์ที่ 6 การปรับปรุงการตัดสินใจและ
การจัดการความรู้ของ10.3 ระบบอัจฉริยะสำหรับสนับสนุนการตัดสินใจ10.4 ระบบสำหรับการจัดการความรู้ของ10.3 ระบบอัจฉริยะเพื่อสนับสนุนการตัดสินใจ• จำนวนของเทคนิคที่ชาญฉลาดสำหรับการเสริมสร้างการตัดสินใจจะขึ้นอยู่กับปัญญาประดิษฐ์ (AI) เทคโนโลยี. •ปัญญาประดิษฐ์ (AI ) เทคโนโลยีที่ประกอบด้วยระบบคอมพิวเตอร์ที่ใช้ (ทั้งฮาร์ดแวร์และซอฟแวร์) พยายามที่จะเลียนแบบพฤติกรรมของมนุษย์และคิดว่ารูปแบบที่. ปัญญาประดิษฐ์ (AI) เทคโนโลยี• 1. ระบบผู้เชี่ยวชาญ (ระบบผู้เชี่ยญชาญ) • 2. กรณีตาม เหตุผล (การให้เหตุผลด้วยฐานกรณี) • 3. ตรรกศาสตร์ (ตรรกศาสตร์คลุมเครือ) • 4. โครงข่ายประสาทเทียม (โครงข่ายประสาทเทียม) • 5 ขั้นตอนวิธีทางพันธุกรรม (อลักอลิทึมพันธุกรรม) • 6 ตัวแทนอัจฉริยะ (ตัวแทนอัจฉริยะ) ระบบ 1.EXPERT •เกิดอะไรขึ้นถ้าพนักงานใน บริษัท ของคุณมีในการตัดสินใจที่จำเป็นต้องมีความรู้พิเศษเช่นวิธีการกำหนดสารปิดผนึกแห้งเร็วหรือวิธีการวินิจฉัยและซ่อมแซมเครื่องยนต์ดีเซลชำรุด แต่ ทุกคนที่มีความเชี่ยวชาญที่ได้ออกจาก บริษัท ? •ระบบผู้เชี่ยวชาญเป็นประเภทหนึ่งของความช่วยเหลือในการตัดสินใจที่จะช่วยให้คุณออก ระบบผู้เชี่ยวชาญจับความเชี่ยวชาญของมนุษย์ในโดเมน จำกัด ของความรู้เป็นชุดของกฎในระบบซอฟต์แวร์ที่สามารถนำมาใช้โดยคนอื่น ๆ ในองค์กร. •ระบบเหล่านี้มักจะดำเนินการในจำนวนที่ จำกัด ของงานที่สามารถดำเนินการโดยผู้เชี่ยวชาญในไม่กี่ นาทีหรือชั่วโมงเช่นการวินิจฉัยเครื่องชำรุดหรือการพิจารณาว่าจะให้สินเชื่อสำหรับเงินกู้. •มีประโยชน์ในสถานการณ์การตัดสินใจที่ความเชี่ยวชาญที่มีราคาแพงหรือขาดตลาด. วิธีผู้เชี่ยวชาญด้านระบบการทำงาน•ความรู้ของมนุษย์จะต้องมีการสร้างแบบจำลองหรือเป็นตัวแทนของ ในรูปแบบที่คอมพิวเตอร์สามารถประมวลผล. •ระบบผู้เชี่ยวชาญแบบจำลองความรู้ของมนุษย์เป็นชุดของกฎที่เรียกจะเรียกว่าฐานความรู้. •ระบบสามารถมีผู้เชี่ยวชาญจาก 200 ถึงมากที่สุดเท่าที่ 10,000 กฎเหล่านี้ขึ้นอยู่กับความซับซ้อนของ ปัญหาการตัดสินใจ. •กฎเหล่านี้มีมากที่เชื่อมต่อกันและซ้อนกันกว่าในโปรแกรมซอฟต์แวร์แบบดั้งเดิม (ดูรูปที่ 10-8). •กลยุทธ์ที่ใช้ในการค้นหาผ่านคอลเลกชันของกฎและกำหนดข้อสรุปที่เรียกว่ากลไกการอนุมาน กลไกการอนุมานทำงานโดยการค้นหาผ่านหลักเกณฑ์และ "ยิง" กฎเหล่านั้นที่จะถูกเรียกโดยข้อเท็จจริงรวบรวมและป้อนโดยผู้ใช้. •ระบบผู้เชี่ยวชาญให้ธุรกิจกับอาร์เรย์ของผลประโยชน์รวมทั้งการตัดสินใจที่ดีขึ้น, ลดข้อผิดพลาดลดค่าใช้จ่ายการฝึกอบรมที่ลดลง เวลาและมีคุณภาพที่ดีขึ้นและการบริการ. รูปที่ 10-8 กฎในระบบผู้เชี่ยวชาญระบบผู้เชี่ยวชาญมีชุดของกฎที่จะตามมาเมื่อมีการใช้ กฎระเบียบที่มีการเชื่อมต่อกัน; จำนวนของผลลัพธ์ที่เป็นที่รู้จักกันล่วงหน้าและมี จำกัด ; มีหลายเส้นทางที่จะผลเดียวกัน และระบบสามารถพิจารณากฎระเบียบหลายอย่างในเวลาเดียว กฎที่แสดงสำหรับระบบผู้เชี่ยวชาญ creditgranting ง่าย. เหตุผล 2.case-based (CBR) •ระบบผู้เชี่ยวชาญส่วนใหญ่จับความรู้ของผู้เชี่ยวชาญแต่ละบุคคล แต่องค์กรยังมีความรู้โดยรวมและความเชี่ยวชาญที่พวกเขาได้สร้างขึ้นในช่วงปีที่ผ่านมา นี้ความรู้ขององค์กรสามารถบันทึกและเก็บไว้ใช้เหตุผลกรณีที่ใช้. •ในเหตุผลกรณีตาม (CBR), ความรู้และประสบการณ์ที่ผ่านมาของผู้เชี่ยวชาญของมนุษย์จะแสดงเป็นกรณีและเก็บไว้ในฐานข้อมูลสำหรับการเรียกใช้ในภายหลังเมื่อผู้ใช้พบกรณีใหม่ กับพารามิเตอร์ที่คล้ายกัน ค้นหาระบบสำหรับกรณีที่จัดเก็บที่มีลักษณะคล้ายกับปัญหาใหม่ที่พบว่าพอดีที่ใกล้เคียงที่สุดและนำไปใช้แก้ปัญหาของคดีเก่าไปใหม่กรณี. •การแก้ปัญหาที่ประสบความสำเร็จจะติดแท็กกับกรณีใหม่และทั้งสองจะถูกเก็บไว้ด้วยกันกับคนอื่น ๆ ในกรณีฐานความรู้ การแก้ปัญหาที่ไม่ประสบความสำเร็จนอกจากนี้ยังถูกผนวกเข้ากับฐานข้อมูลกรณีพร้อมกับคำอธิบายว่าทำไมการแก้ปัญหาไม่ได้ทำงาน (ดูรูปที่ 10-9). •คุณจะพบเหตุผลกรณีที่ใช้ในระบบการวินิจฉัยในการแพทย์หรือการสนับสนุนลูกค้าที่ผู้ใช้สามารถเรียกคืนที่ผ่านมา กรณีที่มีลักษณะคล้ายกับคดีใหม่ ระบบแสดงให้เห็นวิธีการแก้ปัญหาหรือการวินิจฉัยขึ้นอยู่กับการจับคู่ที่ดีที่สุดดึงกรณี. รูปที่ 10-9 วิธีเหตุผล Case-จากการทำงานเหตุผลกรณีที่ใช้แสดงให้เห็นถึงความรู้เป็นฐานข้อมูลของกรณีที่ผ่านมาและการแก้ปัญหาของพวกเขา. ระบบจะใช้กระบวนการขั้นตอนที่หก เพื่อสร้างการแก้ปัญหาใหม่ที่พบโดยผู้ใช้. 3 ตรรกศาสตร์•ตรรกศาสตร์เป็นเทคโนโลยีตามกฎที่แสดงถึงความไม่แน่ชัดเช่นโดยการสร้างกฎระเบียบที่ใช้ประมาณค่าหรืออัตนัย มันอธิบายปรากฏการณ์เฉพาะหรือกระบวนการภาษาและจากนั้นแสดงให้เห็นถึงรายละเอียดว่าในจำนวนเล็ก ๆ ของกฎระเบียบที่มีความยืดหยุ่น. •ลองดูที่วิธีตรรกศาสตร์จะเป็นตัวแทนของอุณหภูมิต่าง ๆ ในการใช้คอมพิวเตอร์ในการควบคุมอุณหภูมิห้องโดยอัตโนมัติ เงื่อนไข (เรียกว่าฟังก์ชั่นสมาชิก) ที่กำหนดไว้เพื่อให้คลับคล้ายคลับคลาว่าตัวอย่างเช่นในรูปที่ 10-10 เย็นอยู่ระหว่าง 45 องศาและ 70 องศาแม้ว่าอุณหภูมิเย็นมากที่สุดอย่างชัดเจนระหว่างประมาณ 60 องศาและ 67 องศา โปรดทราบว่าเย็นนี้ซ้อนทับโดยเย็นหรือบรรทัดฐาน ในการควบคุมสภาพแวดล้อมของห้องพักโดยใช้ตรรกะนี้โปรแกรมเมอร์จะพัฒนานิยามแน่ชัดเช่นเดียวกันกับความชื้นและปัจจัยอื่น ๆ เช่นลมน้ำกลางแจ้งและอุณหภูมิ กฎระเบียบอาจรวมถึงคนที่บอกว่า "ถ้าอุณหภูมิจะเย็นหรือเย็นและความชื้นอยู่ในระดับต่ำในขณะที่ลมกลางแจ้งสูงและอุณหภูมิภายนอกต่ำเพิ่มความร้อนและความชื้นในห้องพัก." คอมพิวเตอร์จะรวมสมาชิก การอ่านฟังก์ชั่นในลักษณะที่ถ่วงน้ำหนักและใช้กฎทั้งหมด, เพิ่มและลดอุณหภูมิและความชื้น. •ตรรกศาสตร์ให้การแก้ปัญหาที่ต้องใช้ความเชี่ยวชาญที่เป็นเรื่องยากที่จะเป็นตัวแทนในรูปแบบของกรอบ IF-THEN กฎ. •ในประเทศญี่ปุ่นของเซนได ระบบรถไฟใต้ดินใช้ควบคุมตรรกศาสตร์ในการเร่งการได้อย่างราบรื่นเพื่อให้ผู้โดยสารที่ยืนอยู่ไม่จำเป็นต้องยึดมั่นใน. •ตรรกศาสตร์ช่วยให้การเปลี่ยนแปลงที่เพิ่มขึ้นในปัจจัยการผลิตในการผลิตการเปลี่ยนแปลงได้อย่างราบรื่นในเอาท์พุทแทนคนไม่ต่อเนื่องทำให้มันมีประโยชน์สำหรับอุปกรณ์อิเล็กทรอนิกส์ของผู้บริโภคและงานวิศวกรรมฟังก์ชั่นสำหรับสมาชิก การป้อนข้อมูลที่เรียกว่าอุณหภูมิอยู่ในตรรกะของเทอร์โมในการควบคุมอุณหภูมิห้อง สมาชิกฟังก์ชั่นช่วยแปลการแสดงออกทางภาษาเช่นอบอุ่นเป็นตัวเลขที่คอมพิวเตอร์สามารถจัดการรูป 10-10 Fuzzy Logic เพื่อให้การควบคุมอุณหภูมิ4.Neural เครือข่ายโครงข่ายประสาทเทียมที่ใช้สำหรับการแก้ปัญหาที่ซับซ้อนปัญหาความเข้าใจที่ข้อมูลจำนวนมากได้รับ ที่เก็บรวบรวม พวกเขาพบว่ารูปแบบและความสัมพันธ์ในข้อมูลจำนวนมหาศาลที่จะซับซ้อนเกินไปและยากสำหรับมนุษย์ในการวิเคราะห์. โครงข่ายประสาทเทียมค้นพบความรู้นี้โดยใช้ฮาร์ดแวร์และซอฟต์แวร์ที่ขนานรูปแบบการประมวลผลของสมองชีวภาพหรือมนุษย์ โครงข่ายประสาทเทียม "เรียนรู้" รูปแบบจากข้อมูลจำนวนมากโดยผ่านการกลั่นกรองข้อมูล, การค้นหาสำหรับความสัมพันธ์, การสร้างแบบจำลองและแก้ไขซ้ำแล้วซ้ำอีกความผิดพลาดของตัวเองรุ่น. รูปที่ 10-11 วิธีโครงข่ายประสาททำงานเครือข่ายประสาทจะใช้กฎระเบียบมัน " เรียนรู้ "จากรูปแบบในข้อมูลที่จะสร้างชั้นที่ซ่อนอยู่ของตรรกะ. ชั้นที่ซ่อนอยู่นั้นจะประมวลผลอินพุตแบ่งพวกเขาขึ้นอยู่กับประสบการณ์ของรูปแบบ. ในตัวอย่างนี้เครือข่ายประสาทได้รับการฝึกอบรมที่จะแยกแยะระหว่างการซื้อบัตรเครดิตที่ถูกต้องและหลอกลวง . ขั้นตอนวิธี 5.Genetic • ขั้นตอนวิธีทางพันธุกรรมมีประโยชน์สำหรับการหาทางออกที่ดีที่สุดสำหรับปัญหาที่เฉพาะเจาะจงโดยการตรวจสอบจำนวนมากของโซลูชันทางเลือกสำหรับปัญหาที่ พวกเขาจะขึ้นอยู่กับเทคนิคแรงบันดาลใจจากชีววิทยาวิวัฒนาการเช่นมรดกกลายพันธุ์การเลือกและครอสโอเวอร์ (recombination). • ผลงานขั้นตอนวิธีทางพันธุกรรมโดยเป็นตัวแทนของการแก้ปัญหาเป็นสตริงของ 0s และ 1s ค้นหาวิธีทางพันธุกรรมประชากรของสตริงที่สร้างแบบสุ่มของตัวเลขไบนารีเพื่อระบุสตริงขวาที่เป็นตัวแทนของการแก้ปัญหาที่ดีที่สุดสำหรับปัญหา ขณะที่การแก้ปัญหาการเปลี่ยนแปลงและรวมคนที่เลวร้ายที่สุดจะถูกยกเลิกและคนที่ดีกว่าอยู่รอดที่จะไปในการผลิตโซลูชั่นที่ดียิ่งขึ้น. •ขั้นตอนวิธีทางพันธุกรรมที่ใช้ในการแก้ปัญหาที่ซับซ้อนที่มีมากแบบไดนามิกและซับซ้อนที่เกี่ยวข้องกับหลายร้อยหรือหลายพันของตัวแปรหรือสูตร ปัญหาต้องเป็นหนึ่งที่ช่วงของการแก้ปัญหาที่เป็นไปได้สามารถแสดงพันธุกรรมและเกณฑ์สามารถจะจัดตั้งขึ้นสำหรับการประเมินการออกกำลังกาย. •ขั้นตอนวิธีทางพันธุกรรมเร่งแก้ปัญหาเพราะพวกเขาสามารถประเมินทางเลือกวิธีการแก้ปัญหาได้อย่างรวดเร็วมากที่จะหาที่ดีที่สุด. รูปที่ 10-12 ส่วนประกอบ ของพันธุกรรมตัวอย่างนี้แสดงให้เห็นถึงประชากรเริ่มต้นของ "โครโมโซม" เป็นตัวแทนของแต่ละวิธีการแก้ปัญหาที่แตกต่างกัน. ขั้นตอนวิธีพันธุกรรมใช้กระบวนการซ้ำเพื่อปรับแต่งการแก้ปัญหาเบื้องต้นเพื่อให้คนที่ดีกว่าผู้ที่มีการออกกำลังกายที่สูงขึ้นมีแนวโน้มที่จะโผล่ออกมา เป็นทางออกที่ดีที่สุด. 6 ตัวแทนอัจฉริยะ• เทคโนโลยีตัวแทนอัจฉริยะช่วยให้ธุรกิจและผู้มีอำนาจตัดสินใจนำทางผ่านข้อมูลจำนวนมากในการค้นหาและดำเนินการกับข้อมูลที่ถือว่ามีความสำคัญ. • ตัวแทนอัจฉริยะเป็นโปรแกรมซอฟต์แวร์ที่ทำงานในพื้นหลังโดยไม่มีการแทรกแซงของมนุษย์โดยตรงเพื่อดำเนินการเฉพาะซ้ำ และงานที่คาดเดาได้สำหรับผู้ใช้แต่ละกระบวนการทางธุรกิจหรือการประยุกต์ใช้ซอฟแวร์. •ตัวแทนใช้ จำกัด ในตัวหรือเรียนรู้ฐานความรู้เพื่อให้บรรลุงานหรือตัดสินใจในนามของผู้ใช้เช่นการลบอีเมลขยะเวลานัดหมาย, หรือหาตั๋วเครื่องบินที่ถูกที่สุดไปยังแคลิฟอร์เนีย. •มีหลายการใช้งานตัวแทนชาญฉลาดในวันนี้ระบบปฏิบัติการซอฟต์แวร์โปรแกรมระบบอีเมล์, ซอฟแวร์คอมพิวเตอร์มือถือและเครื่องมือเครือข่าย ที่น่าสนใจเป็นพิเศษเพื่อความสะ

การแปล กรุณารอสักครู่..

ผลลัพธ์ (ไทย) 3:[สำเนา]

คัดลอก!

สัปดาห์ที่ 6 ปรับปรุงการตัดสินใจและจัดการความรู้

ตามระบบอัจฉริยะเพื่อสนับสนุนการตัดสินใจระบบการจัดการความรู้เพิ่มขึ้น

10.3 ระบบอัจฉริยะเพื่อสนับสนุนการตัดสินใจ
-
จำนวนของเทคนิคฉลาดเพื่อเพิ่มการตัดสินใจจะขึ้นอยู่กับปัญญาประดิษฐ์ ( AI ) เทคโนโลยี

- ปัญญาประดิษฐ์ ( AI ) เป็นเทคโนโลยีที่ประกอบด้วยระบบคอมพิวเตอร์ ( ฮาร์ดแวร์และซอฟต์แวร์ ) ที่พยายามที่จะเลียนแบบพฤติกรรมมนุษย์ และรูปแบบการคิด

ปัญญาประดิษฐ์ ( AI ) เทคโนโลยี
- 1 ระบบผู้เชี่ยวชาญ ( ระบบผู้เชี่ยญชาญ )
- 2 กรณีใช้เหตุผล ( การให้เหตุผลด้วยฐานกรณี )
- 3ตรรกศาสตร์ ( ตรรกศาสตร์คลุมเครือ )
- 4 โครงข่ายประสาทเทียม ( โครงข่ายประสาทเทียม )
- 5 ขั้นตอนวิธีเชิงพันธุกรรม ( อลักอลิทึมพันธุกรรม )
- 6 ตัวแทนชาญฉลาด ( ตัวแทนอัจฉริยะ )

1.expert ระบบ
- ถ้าพนักงานในบริษัทของคุณต้องตัดสินใจว่าต้องการพิเศษบางอย่างในความรู้เช่น วิธีการสร้างการผสมแห้งเร็วหรือวิธีการวินิจฉัยและซ่อมแซมปัญหาเครื่องยนต์ดีเซล แต่ทุกคนที่มีความเชี่ยวชาญได้ออกจากบริษัท ?

- ระบบผู้เชี่ยวชาญเป็นประเภทหนึ่งของการตัดสินใจช่วยเหลือ ที่อาจช่วยคุณได้ผู้เชี่ยวชาญระบบจับมนุษย์ความเชี่ยวชาญในโดเมนจำกัดของความรู้เป็นชุดของกฎในระบบซอฟต์แวร์ที่สามารถใช้โดยคนอื่น ๆในองค์กร

- ระบบเหล่านี้มักจะทำการจำกัดจำนวนของงานที่สามารถดำเนินการโดยผู้เชี่ยวชาญในไม่กี่นาทีหรือชั่วโมง เช่น การวินิจฉัยปัญหาเครื่องจักร หรือการพิจารณาว่าจะให้สินเชื่อสำหรับเงินกู้

- พวกเขาจะเป็นประโยชน์ในการตัดสินใจในสถานการณ์ที่ราคาแพง หรือมีความเชี่ยวชาญในการจัดหาสั้น
-
ยังไงระบบความรู้ของมนุษย์จะต้องสร้างหรือแสดงในฟอร์มที่คอมพิวเตอร์สามารถประมวลผล
รุ่น - ระบบความรู้ของมนุษย์เป็นชุดของกฎที่เรียกจะเรียกว่า ฐานความรู้
- ระบบผู้เชี่ยวชาญได้จาก 200 เป็นจํานวนมากเป็น 10 , 000 ข้อทั้งนี้ขึ้นอยู่กับความซับซ้อนของปัญหา การตัดสินใจ
แต่ละกฎเหล่านี้จะเชื่อมต่อกันและกันมากขึ้นกว่าในโปรแกรมซอฟต์แวร์แบบดั้งเดิม ( ดูรูป 10-8 )
- กลยุทธ์ที่ใช้ในการค้นหาผ่านคอลเลกชันของกฎและการอนุมานสรุปเรียกว่าเครื่องยนต์การอนุมานเครื่องยนต์ทำงานโดยการค้นหาผ่านกฎและ " ยิง " กฎเหล่านั้นที่ถูกทริกเกอร์ โดยข้อเท็จจริงที่รวบรวมและป้อนโดยผู้ใช้
- ระบบให้ธุรกิจกับอาร์เรย์ของผลประโยชน์รวมถึงการตัดสินใจที่ดีขึ้น ลดความผิดพลาด ลดต้นทุน ลดเวลาการฝึกอบรมและการปรับปรุงคุณภาพและการบริการ
รูป 10-8 กฎในระบบผู้เชี่ยวชาญ

การแปล กรุณารอสักครู่..

ภาษาอื่น ๆ

การสนับสนุนเครื่องมือแปลภาษา: กรีก, กันนาดา, กาลิเชียน, คลิงออน, คอร์สิกา, คาซัค, คาตาลัน, คินยารวันดา, คีร์กิซ, คุชราต, จอร์เจีย, จีน, จีนดั้งเดิม, ชวา, ชิเชวา, ซามัว, ซีบัวโน, ซุนดา, ซูลู, ญี่ปุ่น, ดัตช์, ตรวจหาภาษา, ตุรกี, ทมิฬ, ทาจิก, ทาทาร์, นอร์เวย์, บอสเนีย, บัลแกเรีย, บาสก์, ปัญจาป, ฝรั่งเศส, พาชตู, ฟริเชียน, ฟินแลนด์, ฟิลิปปินส์, ภาษาอินโดนีเซี, มองโกเลีย, มัลทีส, มาซีโดเนีย, มาราฐี, มาลากาซี, มาลายาลัม, มาเลย์, ม้ง, ยิดดิช, ยูเครน, รัสเซีย, ละติน, ลักเซมเบิร์ก, ลัตเวีย, ลาว, ลิทัวเนีย, สวาฮิลี, สวีเดน, สิงหล, สินธี, สเปน, สโลวัก, สโลวีเนีย, อังกฤษ, อัมฮาริก, อาร์เซอร์ไบจัน, อาร์เมเนีย, อาหรับ, อิกโบ, อิตาลี, อุยกูร์, อุสเบกิสถาน, อูรดู, ฮังการี, ฮัวซา, ฮาวาย, ฮินดี, ฮีบรู, เกลิกสกอต, เกาหลี, เขมร, เคิร์ด, เช็ก, เซอร์เบียน, เซโซโท, เดนมาร์ก, เตลูกู, เติร์กเมน, เนปาล, เบงกอล, เบลารุส, เปอร์เซีย, เมารี, เมียนมา (พม่า), เยอรมัน, เวลส์, เวียดนาม, เอสเปอแรนโต, เอสโทเนีย, เฮติครีโอล, แอฟริกา, แอลเบเนีย, โคซา, โครเอเชีย, โชนา, โซมาลี, โปรตุเกส, โปแลนด์, โยรูบา, โรมาเนีย, โอเดีย (โอริยา), ไทย, ไอซ์แลนด์, ไอร์แลนด์, การแปลภาษา.